💡
原文中文，约6700字，阅读约需16分钟。
📝
内容提要
DynamicCity是一个创新的4D场景生成框架，通过特征降维和扩散模型实现高质量动态场景生成，突破静态生成的局限。该项目由多所高校合作，支持可控生成，广泛应用于自动驾驶等领域。
🎯
关键要点
- DynamicCity是一个创新的4D场景生成框架，突破静态生成的局限。
- 该项目由多所高校合作，支持可控生成，广泛应用于自动驾驶等领域。
- 3D生成技术在过去一年迎来爆发式增长，现有技术主要集中在静态场景生成。
- 现有技术在生成大型3D场景时将环境视为静止的快照，缺乏动态交通流的真实反映。
- DynamicCity通过特征降维和扩散模型实现高质量动态场景生成。
- DynamicCity的核心思想是将4D场景压缩为2D HexPlane特征表示。
- DynamicCity的主要贡献包括时空特征压缩、特征重组和可控生成。
- DynamicCity采用HexPlane表征和DiT构建高效的4D场景生成框架。
- 通过投影模块和ESS解码策略，DynamicCity提升了生成质量和训练效率。
- DynamicCity支持多种可控生成方式，如轨迹引导生成和4D场景修改。
- DynamicCity已被ICLR 2025接收为Spotlight论文，项目主页和代码已公开。
❓
延伸问答
DynamicCity的主要创新点是什么？
DynamicCity的主要创新点在于通过特征降维和扩散模型实现高质量的4D动态场景生成，突破了静态生成的局限。
DynamicCity如何支持可控生成？
DynamicCity支持多种可控生成方式，包括轨迹引导生成、指令驱动生成和4D场景修改等功能。
DynamicCity的核心技术是什么？
DynamicCity的核心技术包括HexPlane特征表示、变分自编码器（VAE）和扩散模型（DiT），实现了高效的4D场景生成。
DynamicCity在生成质量和效率上有哪些提升？
DynamicCity在生成质量、训练速度和内存消耗上取得了显著提升，尤其是通过Expansion & Squeeze Strategy降低了内存消耗70.84%。
DynamicCity的应用领域有哪些？
DynamicCity广泛应用于自动驾驶等领域，能够为智能系统的训练与验证提供虚拟试验场。
DynamicCity的研究团队由哪些机构组成？
DynamicCity的研究团队包括上海人工智能实验室、卡耐基梅隆大学、新加坡国立大学和新加坡南洋理工大学。
➡️
